Google เปิดตัว Gemini 3.8 Live และ Extended Thinking

Google ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์เสียงรุ่นล่าสุด ได้แก่ Gemini 3.8 Live และ Gemini 3.8 Live Extended Thinking ซึ่งออกแบบมาเพื่อรองรับการใช้งานสร้าง voice agents ในระดับโปรดักชันผ่านทาง API โดยโมเดลทั้งสองพร้อมให้บริการแล้วในวันนี้ทั้งบน Gemini Live API และ Google AI Studio สำหรับรูปแบบการใช้งานจะเป็นลักษณะโมเดลโฮสต์ (hosted models) และไม่มีทางเลือกแบบเปิดน้ำหนักโมเดล (open weights) จึงไม่รองรับการนำไปติดตั้งบนเซิร์ฟเวอร์ส่วนตัว

การเปิดตัวครั้งนี้ประกอบด้วยโมเดล 2 รุ่นที่มีบทบาทหน้าที่แตกต่างกันอย่างชัดเจน โดย Gemini 3.8 Live ถูกพัฒนาขึ้นเพื่อเน้นความคุ้มค่าด้านต้นทุนและการรองรับการใช้งานในสเกลใหญ่ ผสมผสานความสามารถด้านการสนทนาอย่างลื่นไหลเข้ากับการเชื่อมโยงข้อมูลภาพ ส่วน Gemini 3.8 Live Extended Thinking ออกแบบมาเพื่อจัดการกับงานที่มีความซับซ้อนสูง เพิ่มขีดความสามารถด้านสติปัญญาและการใช้เหตุผลแบบหลายขั้นตอนไปพร้อม ๆ กับการพูดคุย ทาง Google วางตำแหน่งให้โมเดลทั้งสองเป็นทางเลือกที่คล่องตัวกว่าระบบท่อส่งเสียงแบบเดิม (cascaded speech pipelines) ที่ต้องร้อยเรียง ASR, LLM และ TTS เข้าด้วยกัน

ในส่วนของความสามารถหลักผ่าน Live API โมเดลใหม่นี้รองรับฟังก์ชันการทำงานที่สำคัญสำหรับนักพัฒนา:

• รองรับการใช้งานผ่าน Gemini Live API และ Google AI Studio ทันที
• ขับเคลื่อนการสนทนาด้วยความเร็วและความคล่องตัวสูง
• ผสานการทำงานร่วมกับภาพ (visual grounding) ในรุ่น Standard
• เพิ่มขีดความสามารถการคิดวิเคราะห์หลายขั้นตอนขณะพูดในรุ่น Extended Thinking
• เชื่อมต่อกับระบบนิเวศพาร์ทเนอร์หลากหลายเพื่อจัดการสตรีมมิ่งเรียลไทม์

ด้านโครงสร้างราคา โมเดลทั้งสองรุ่นกำหนดอัตราค่าบริการเท่ากันที่ 0.005 ดอลลาร์ต่อนาที สำหรับอินพุตเสียง และ 0.018 ดอลลาร์ต่อนาที สำหรับเอาต์พุตเสียง โดย Google ระบุว่าตัวเลขดังกล่าวเทียบเท่ากับอัตรา 3 ดอลลาร์ต่อ 1 ล้านโทเค็นสำหรับอินพุต และ 12 ดอลลาร์ต่อ 1 ล้านโทเค็นสำหรับเอาต์พุต นอกจากนี้ นักยังสามารถพัฒนาผ่านพาร์ทเนอร์อินเทรเกชันระบบเรียลไทม์ เช่น Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel และ Vision Agents รวมถึงความร่วมมือกับ Salesforce, Genspark และ Lumeris